BioinformaticsAndMe

모집기간

 

2018.06.28 01:00 ~ 2018.07.15 23:00

모집분야

조직	모집분야	상세 내용	전공	근무지	인원
중앙연구소	R&D	■ 모집분야  - 방열 소재 및 방열 시스템 관련 연구  ◇ 필수사항  - 석사/박사 학위 소지  ■ 모집분야  - 빅데이터 아키텍처 설계 및 구축  - 빅데이터 분석 인프라 환경구축  ◇ 필수사항  - 개발 경력 3년이상  - Java, SQL, Shell 언어 가능  ◇ 우대사항  - 생물학 분야 시스템 개발 경험  - NoSQL 기반 설계 및 시스템 적용  - AWS기반 인프라 구축 경험  - Hadoop/Spark ecosystem 설계 및 구축 경험  ■ 모집분야  - 빅데이터 기반 실험실 정보 관리 시스템(LIMS) 개발  ◇ 필수사항  - 개발 경력 3년이상  - Java, Javascript, SQL 언어 가능  ◇ 우대사항  - 생물학 분야 시스템 개발 경험  - 개발 리더 역할 수행 경험  ■ 모집분야  - 빅데이터 기반 기계학습 알고리즘 개발  ◇ 필수사항  - 박사 학위 소지  ◇ 우대사항  - 생물학 데이터 예측 모델 개발 경험  ■ 모집분야  - 빅데이터 분석 실험설계 및 통계처리 업무  ◇ 필수사항  - 석사, 박사 학위 소지  - SAS, R 능숙  ◇ 우대사항  - 통계학적 바이오 실험 설계 경력 및 실험 분석 경험  - 실험 설계와 통계 처리의 조언을 주도적으로 할 수 있음  ■ 모집분야  - 콩, 옥수수, 형질전환 및 조직배양  ◇ 필수사항  - 석사, 박사 학위 소지  ◇ 우대사항  - 콩, 옥수수 형질전환 가능자, 조직배양 능숙  ■ 모집분야  - 작물보호제 신물질 합성  - 작물보호제 약효 평가  - 초충균을 이용한 활성 평가 (온실/포장시험)	기계공학, 재료공학, 컴퓨터공학, Bioinfomatics, 수학, 통계학, 임상통계학, 생물통계학, 정보학, 실험통계학, 유전통계학, 생물학, 식물학, 분자생물학, 식물분자생물학, 화학, 농화학, 식물병리학, 곤충학, 농생물학 및 기타 관련 전공	서울특별시 강서구	0명
	R&D	■ 모집분야  - 세라믹 성형/소결  ◇ 필수사항  - 석사, 박사 학위 소지  - 세라믹 프로세싱, 소결체 제작 경험 보유  ◇ 우대사항  - 경력 3년 이상  ■ 모집분야  - 광학 측정 장비 개발  - Hardware Interfacing  - User Interface 개발  ◇ 필수사항  - 석사, 박사 학위 소지  ◇ 우대사항  - 경력 5년 이상  ■ 모집분야  - 유기합성 및 스케일업 공정 개발  ◇ 필수사항  - 석사, 박사 학위 소지  - 의약화학 합성, 작물 보호제 합성, 유기 전자재료 합성, 스케일업 공정 개발 경험  ◇ 우대사항  - 경력 3년 이상	재료공학, 세라믹공학, 화학, 유기합성, 컴퓨터공학, 물리학 및 기타 관련 전공	대전광역시	0명

지원 자격 및 절차

지원자격	1) 지원서 작성 시점 기준 관련 경력  - 학사 : 만 36개월 이상  - 석사 : 만 12개월 이상  - 박사 : 경력기간 제한 없음. (단, 졸업 예정자는 지원불가)  (※ 학위기간(재학) 중의 경력은 기간에 산입하지 않음)  2) 해외여행에 결격사유가 없는 자, 남성의 경우 군필 혹은 면제자  3) 보훈대상자는 관련 법규에 의거 우대함.
전형절차	서류전형   1차면접   2차면접   인적성검사   건강검진
제출방법	1) 본 사이트를 통한 접수만 가능합니다. (우편접수, E-mail 접수 및 방문접수는 받지 않습니다.)  2) 각 전형결과 및 통보는 E-mail을 통해 진행되오니, E-mail 주소를 정확하게 기재하여 주시기 바랍니다.  3) 기타 문의사항 발생 시  - 채용관련문의 : LG화학 대전 인사지원팀 서동준 선임 (dongjunseo@lgchem.com)  ※ 1:1 문의하기는 확인이 늦을 수 있으니 이메일로 문의주시기 바랍니다.  ※ E-mail 및 비밀번호 분실 시 “로그인”에서 이메일주소 및 비밀번호 찾기를 통해 확인  ※ 공고마감일은 지원관련 문의가 많아, 이에 대한 답변 및 대응이 늦어질 수 있습니다.  등록마감 이후, 추가등록 및 수정이 불가하므로 반드시 등록관련 문의는 마감 3일 전까지 요청완료하여 주시기 바랍니다.
기타사항	1) 허위기재 사실이 발견될 시에는 즉시 불합격 혹은 입사 취소합니다.  2) 당사의 사업들은 독자적인 기술로 이루어지고 있으며, 채용자들은 입사 후, 당사의 기술과  업무 매뉴얼을 바탕으로 업무를 하게 되므로 당사는 타 회사의 영업비밀을 필요로 하지 않으며,  필요한 경우 합법적인 방법과 절차를 통해 취득하여 사용합니다.  경력 지원자께서는 전 직장의 영업비밀을 침해하는 일이 없도록 각별히 유의하시기 바라며,  침해 시 본인의 책임임을 주지하여 주시기 바랍니다.  ※ Nate 메일 계정은 간혹 수신이 되지 않는 경우가 있으니 가급적 타 계정으로 ID를 사용 부탁드립니다.  ※ 전형일정(예정)  - 1차면접 : '18년 8월 초~중순  - 2차면접 : '18년 8월 중순~말

LG화학 채용 홈페이지

http://apply.lg.com/app/job/RetrieveJobNoticesDetail.rpi

Cogena-2 (CoExpression 분석) Start.

BioinformaticsAndMe

Cogena-1 (CoExpression 분석) 에 이어지는 내용이다.

8. Drug enrichment analysis

Cogena 에서는 expression에 따른 클러스터에 관련된 Drug을 매칭해주는 작업을 말한다

# Drug data set

cmapDn100_cogena_result <- clEnrich_one(genecl_result, "pam", "10",

sampleLabel=sampleLabel, annofile=system.file("extdata", "CmapDn100.gmt.xz", package="cogena") )

summary(cmapDn100_cogena_result)

CmapDn100.gmt 을 보면 아래와 같은 테이블 형태이다

9. Drug repositioning

Drug repositioning : 임상에서 실패한 약물 or 시판되는 의약품을 재평가하여 새로운 약효를 찾는 방법

(Drug repositioning 은 깊게 들어가면 끝도 없으므로, 나중에 새로운 칼럼으로 다루겠다..)

Expression Atlas (유전자 발현 database) Start.

BioinformaticsAndMe

유전자 발현 데이터베이스는 상당히 많다.

종마다, 조직마다, 실험마다 다양하서 뭘봐야할지 모르겠다 (Human tissue는 GTEx가 잘 정리된편인듯).

자유자재로 GEO와 ArrayExpress 다루는 선생님들은 뭐 걱정이 없으시겠지만,

나같은 초보에게도 쉽게 종마다의 발현 정보를 볼 수 있는 사이트가 있었다.

​

Expression Atlas

https://www.ebi.ac.uk/gxa/home

와.. single cell expression도 있다.

아래 Deferentially expression 결과를 보자.

처음에 결과를 보고 좀 놀랐던게.. 나는

suppressor인 TP53는 암군인 case가 control에 비해 발현이 떨어져야 한다고 생각했다.

맨위에만 내가 예상한 발현 결과였다.

나니?..

어느정도 믿음을 깔고 더 깊은 분석으로 들어갈 수 있지 않을까?​

Expression Atlas (유전자 발현 database) End.

BioinformaticsAndMe

BWT 알고리즘 Start.

BioinformaticsAndMe

Alignment라는 과정은 Human 분석에서 특히 빡세다..

시퀀싱을 통해서 얻은 길지 않은 리드로 30억 염기서열과 매칭하는 일은 쉽지 않아보인다.

(음. Pacbio나, 요즘핫해보이는? Nanopore는 리드 길이가 길다)

NGS sequence를 alignment하는 tool로  bowtie 와 BWA 가 널리 알려져 있다. 이 tool들이 주력으로 사용하는 알고리즘은 Burrows-Wheeler Transform이다. 30억 염기서열 중에 ACGTACGTACGT를 align하기 위해서 모든 sequence를 처음부터 검색하면 시간이 매우 오래 걸린다. 이를 해결하기 위해서 사용한 알고리즘이 BWT이다.

BWT(Burrows-Wheeler Transform)

마이클 버로우즈와 데이비드 휠러가 1994년에 발표한 블록 정렬 알고리즘으로 변환 결과에 Index 정보가 포함되어 있어, 다른 정보가 없더라도 변환된 문자열의 경우 유사한 문자열들끼리 뭉쳐진 형태로 나타나는 경우가 많아 압축을 위한 전처리 알고리즘으로 사용된다.

#BWT 과정을 이해해보자.

#그래서 BWT 특징이 뭐야

Ⅰ. 같은 single nucleotide끼리 붙어있는 경우의 수 증가

Ⅱ. 문자의 순서가 유지

#BWT를 이용한 문자열 매칭

-First column은 last column의 뒤에 있었던 문자.

-$는 원래 문자의 맨 마지막에 붙어 있었음. 따라서 A가 맨 마지막 글자임을 알 수 있음.

-Last column과 First column의 문자의 순서는 동일함.

-A0의 앞에는 N0임을 알 수 있음.

-L은 F앞의 문자임.

#Bowtie (FM-Index)

Bowtie 알고리즘인 FM-Index는 BWT 행렬의 Last First mapping 법칙을 이용하여 문자열 Index를 만든 방법으로 문자열에 대해 BWT를 수행함으로써 얻어짐.

#BWA (BWT + Suffix array)

BWA는 BWT와 접미사 배열(Suffix array)을 이용하여 정렬을 수행하는 알고리즘.

BWT 알고리즘 End.

BioinformaticsAndMe

Cogena-1 (CoExpression 분석) Start.

BioinformaticsAndMe

array 분석을 하다보면, 때로 수많은 DEG(Deferentially Expressed Gene) 형님들을 만나게 된다.

몇 천..?개는 다른 보정이 필요하겠고, 사실 몇 백개라도 골치 아프다.

아.. 수많은 DEG가지고 DAVID 돌려버리면 뭔가 두리뭉실한 기작만 나온다. GG

이럴때 나는

'Co-Expression 분석' 을 한다.

뭐 여러 정의가 있겠지만

간단히 말해서 유전자 발현(up, down) 양상이 비슷한 것 끼리 분석합시다.. 라고 나는 정의하겠다.

다시말해, 수많은 DEG들을 비슷한 발현양상을 갖는 그룹으로 클러스터링하여, 클러스터링된 DEG들의 기작을 살펴보는 것이다.

이것을 쉽게하기 위한 아래 R package를 추천한다.

'Cogena'

Co-expressed gene-set enrichment analysis 

논문에 나와있는 위 그림이 Cogena 를 단번에 설명해준다.

1. DEG 나옴.

2. 발현에따라 클러스터링 해줌 (클러스터링방법은많다).

3. 클러스터링 된 그룹에 무슨 Drug, Pathway가 Enrichment(빵빵)한지 분석을 해줌.

#############################################################################

BioinformaticsAndMe script

#############################################################################

1. cogena 패키지 설치

source("https://bioconductor.org/biocLite.R")

biocLite("cogena")

library(cogena)

# 예제(건선) 데이터 로딩

data(Psoriasis)

# 데이터 확인

ls()

3. Pathway 데이터 로딩

# KEGG Pathway gene set

annoGMT <- "c2.cp.kegg.v5.0.symbols.gmt.xz“

# annotation 경로 지정

annofile <- system.file("extdata", annoGMT, package="cogena")

# GO 분석을 하고 싶다면,

# GO biological process gene set

# annoGMT <- "c5.bp.v5.0.symbols.gmt.xz"

아래표는 Cogena 가 가진 Annotation set이다. 잘 정리했군..

4. 파라미터 지정 (몇개 클러스터로 할건지, 무슨 clustering method를 쓸건지 등등)

# the number of clusters. It can be a vector.

# nClust <- 2:20

nClust <- 10

# Making factor "ct" , "Psoriasis"

sampleLabel <- factor(sampleLabel, levels=c("ct", "Psoriasis"))

# the clustering methods

# clMethods <- ("hierarchical","kmeans","diana","fanny","som","model",

# "sota","pam","clara","agnes") # All the methods can be used together.

clMethods <- c("hierarchical","pam")

# the distance metric

metric <- "correlation“

# the agglomeration method used for hierarchical clustering

method <- "complete"

5. Co-expression Analysis 시작

genecl_result <- coExp(DEexprs, nClust=nClust, clMethods=clMethods,

                       metric=metric, method=method)

summary(genecl_result)

# Enrichment (Pathway) analysis for the co-expressed genes

clen_res <- clEnrich(genecl_result, annofile=annofile, sampleLabel=sampleLabel)

summary(clen_res)

6. 클러스터링 결과 Heatmap 확인

# pam 클러스터링을 통해 10개의 클러스터 제작

# Always make the number as character, please!

# heatmap 그리기

heatmapCluster(clen_res, "pam", "10", maintitle="Psoriasis")

크... 일단 이쁘다.. 10개의 클러스티렁, up|down DEG, two샘플 그룹으로 heatmap이 만들어진다.

아! Pathway 봐야지!

7. 클러스터 Pathway 확인

# The enrichment score for 10 clusters, together with Down-regulated,Up-regulated and All DE genes.

heatmapPEI(clen_res, "pam", "10", maintitle="Pathway analysis for Psoriasis")

유전자 클러스터마다 어떤 pathway가 enrichment한지 보인다 (물론, 전체 only up, only down 도 볼 수있다).

옵션 조정해주면 특정 클러스터의 score 내림차순 기준으로 그림을 다시그려준다. 클러스터9 를 기준으로 다시그려보았다.

그림 왜이렇게 커...;;

Cogena-2 (CoExpression 분석) 에서 이어서 살펴보자.

Cogena-1 (CoExpression 분석) End.

BioinformaticsAndMe